Claude Agent Skills系统是基于提示词的元工具架构，用于扩展大模型能力边界。它通过提示词扩展和上下文修改影响Claude处理请求的方式，无需编写可执行代码。本文从第一性原理出发，解析Claude Agent Skills的内部架构，以skill-creator和internal-comms技能为例，完整拆解其生命周期。技能以SKILL.md文件定义，包含提示词模板、对话上下文注入、执行上下文修改及可选数据文件和Python脚本。技能选择通过LLM推理完成，而非算法匹配，每次调用注入两条用户消息，一条用户可见的元数据，一条隐藏的指令发送给API。这套设计将专业知识作为修改上下文的提示词，赋予Claude Code灵活性、安全性和可组合性，是小白学习大模型技术的绝佳案例。

原文：https://leehanchung.github.io/blogs/2025/10/26/claude-skills-deep-dive/

Claude Agent Skills 整体概览

Claude 通过 Skills 来提升特定任务的处理效果。所谓技能，就是一些文件夹，里面装着 Claude 按需加载的指令、脚本和资源。整套系统采用声明式、基于提示词的机制来完成技能的发现和调用——AI 模型（Claude）根据系统提示词里的文字描述，自己决定要不要调用某个技能。代码层面完全没有算法选路或意图识别，决策完全发生在 Claude 的推理过程中。

技能不是可执行代码，不会跑 Python 或 JavaScript，背后也没有 HTTP 服务器或函数调用。它们也不是硬编码在 Claude 系统提示词里的，而是以专门的提示词模板形式存在，在被调用时往对话上下文里注入特定领域的指令，同时修改执行上下文（工具权限、模型切换等）。

当用户发送请求时，Claude 同时收到三样东西：用户消息、可用工具（Read、Write、Bash 等），以及 Skill 工具。Skill 工具的描述里包含了所有可用技能的列表（名称 + 描述）。Claude 用语言理解能力把用户意图和技能描述做匹配。比如你说"帮我创建一个处理日志的技能"，Claude 看到 internal-comms 技能的描述，认出来匹配，就会调用 Skill 工具并传入 command: "internal-comms"。

“

术语说明：

  • Skill 工具（大写 S）= 管理所有技能的元工具，出现在 Claude 的 tools 数组里
  • skills（小写 s）= 具体的单个技能，如 pdf、skill-creator、internal-comms，是 Skill 工具加载的专用指令模板

下图直观展示了技能的调用流程：

Claude Skill FlowchartClaude Skill Flowchart

技能选择机制在代码层面没有任何算法路由或意图分类。Claude Code 不用向量嵌入、分类器或正则匹配来决定调用哪个技能。系统把所有技能格式化成文本描述，嵌入 Skill 工具的提示词里，让语言模型自己判断。这是纯粹的 LLM 推理，没有 regex，没有关键词匹配，没有 ML 意图检测，决策完全发生在模型的前向传播里，而不是应用代码。

技能被调用后，系统走一个简单的流程：加载 markdown 文件（SKILL.md）→ 展开成详细指令 → 作为新的用户消息注入对话上下文 → 修改执行上下文（允许的工具、模型选择）→ 带着这套丰富的环境继续对话。这和传统工具（执行后返回结果）有本质区别——技能是在为 Claude 做好准备，而不是直接解决问题。

下表列出了传统工具和技能的核心差异：

维度 传统工具 技能
执行模型 同步、直接 提示词扩展
目的 执行具体操作 引导复杂工作流
返回值 即时结果 对话上下文 + 执行上下文变更
示例 Read、Write、Bash internal-comms、skill-creator
并发安全 通常安全 不是并发安全的
类型 各种 始终为 "prompt"

如何构建 Agent Skills

接下来结合 Anthropic 技能仓库里的 skill-creator 技能，看看技能到底怎么构建。

“

核心理解：技能 = 提示词模板 + 对话上下文注入 + 执行上下文修改 + 可选的数据文件和 Python 脚本

每个技能都定义在一个叫 SKILL.md 的 markdown 文件里（大小写不敏感），可以附带放在 /scripts、/references、/assets 下的辅助文件——包括 Python 脚本、Shell 脚本、字体定义、模板等。skill-creator 技能包含 SKILL.md、LICENSE.txt，以及 /scripts 目录下的几个 Python 脚本。

skill-creator packageskill-creator package

技能从多个来源被发现和加载：用户设置（~/.config/claude/skills/）、项目设置（.claude/skills/）、插件提供的技能，以及内置技能。Claude Desktop 也支持上传自定义技能：

Claude Desktop SkillClaude Desktop Skill

“

构建技能最重要的概念是「渐进式披露」（Progressive Disclosure）——只展示足够帮助 Agent 决定下一步做什么的信息，等需要时再揭示更多细节：

  1. 先披露 Frontmatter：最少信息（名称、描述、许可证）
  2. 选定技能后，加载 SKILL.md：全面但聚焦
  3. 技能执行过程中，按需加载辅助资产、参考文档和脚本

写 SKILL.md

SKILL.md 是技能提示词的核心，遵循两段式结构：frontmatter（前置元数据）和正文内容。Frontmatter 配置技能怎么跑（权限、模型、元信息），正文内容告诉 Claude 做什么。Frontmatter 是用 YAML 写的文件头。

┌─────────────────────────────────────┐
│ 1. YAML Frontmatter（元数据）        │ ← 配置
│    ---                              │
│    name: skill-name                 │
│    description: 简要描述             │
│    allowed-tools: "Bash, Read"      │
│    version: 1.0.0                   │
│    ---                              │
├─────────────────────────────────────┤
│ 2. Markdown 正文（指令）              │ ← 给 Claude 的提示词
│                                     │
│    目的说明                          │
│    详细指令                          │
│    示例和规范                        │
│    步骤流程                          │
└─────────────────────────────────────┘
Frontmatter 各字段详解

以 skill-creator 的 frontmatter 为例：

---
name: skill-creator
description: 创建有效技能的指南。当用户想创建新技能（或更新现有技能）时使用本技能。
license: 完整条款见 LICENSE.txt
---

在这里插入图片描述

name（必填）：技能名称，同时也是 Skill 工具里的 command 参数值。

description（必填）：技能功能的简要说明，是 Claude 判断何时调用该技能的主要信号。措辞要清晰、面向行动——"当用户想创建新技能时使用"这类表述，能帮助 Claude 把用户意图准确映射到技能能力上。系统会自动在描述后追加来源信息（如 "(plugin:skills)"），方便在多技能并存时区分不同来源。

when_to_use（未文档化，可能已废弃或尚未发布）：这个字段在代码库里大量出现，但官方文档里没有任何记录，可能是废弃中的功能、内部实验性特性，或尚未正式发布的功能。建议：用详细的 description 字段代替，不要在生产环境里依赖 when_to_use。

目前代码里，当 when_to_use 存在时，会被拼接到 description 后面：

function formatSkill(skill) {
  let description = skill.whenToUse
    ? `${skill.description} - ${skill.whenToUse}`
    : skill.description;
  return `"${skill.name}": ${description}`;
}

license（可选）：许可证，不多解释。

allowed-tools（可选）：定义技能可以无需用户审批直接使用的工具，支持通配符。skill-creator 用的是 "Read,Write,Bash,Glob,Grep,Edit"。常见错误是列出所有工具，这既带来安全风险，也破坏了权限模型。原则是：只写技能真正需要的工具。

# ✅ 多工具
allowed-tools: "Read,Write,Bash,Glob,Grep,Edit"

# ✅ 只允许特定 git 子命令
allowed-tools: "Bash(git status:*),Bash(git diff:*),Read,Grep"

# ❌ 不必要的权限暴露
allowed-tools: "Bash,Read,Write,Edit,Glob,Grep,WebSearch,Task,Agent"

model（可选）：指定技能使用的模型，默认继承当前会话的模型。复杂任务可以请求更强的模型。

model: "claude-opus-4-20250514"  # 使用指定模型
model: "inherit"                 # 继承会话当前模型（默认）

version、disable-model-invocation、mode（可选）：version 用于版本追踪；disable-model-invocation 设为 true 时，技能不会出现在 Skill 工具的列表里，只能由用户手动通过 /skill-name 调用，适合危险操作或需要明确用户确认的交互流程；mode 设为 true 时，技能会显示在技能列表顶部的"Mode Commands"区域，适合用来建立特定操作上下文的技能，比如 debug-mode、expert-mode 等。

SKILL.md 正文内容

Frontmatter 之后就是 markdown 正文——技能被调用时 Claude 实际收到的提示词。写好技能提示词的关键是保持聚焦，用渐进式披露：核心指令放在 SKILL.md 里，详细内容引用外部文件。

推荐的内容结构：

---
# Frontmatter
---

# [一两句话说清楚目的]

## 概述
[技能做什么、什么时候用、提供什么]

## 前置条件
[需要的工具、文件或上下文]

## 指令

### 第一步：[第一个动作]
[命令式指令]

### 第二步：[下一个动作]
...

## 输出格式
## 错误处理
## 示例
## 资源

提示词写作最佳实践：保持在 5000 词以内（约 800 行）；用祈使句（“分析代码……”），不用第二人称（“你应该分析……”）；详细内容引用外部文件而不是全部内嵌；路径用 {baseDir} 变量，绝不硬编码绝对路径。

❌ Read /home/user/project/config.json
✅ Read {baseDir}/config.json

打包资源文件

技能真正强大之处在于能把支持资源一并打包。标准结构如下：

my-skill/
├── SKILL.md              # 核心提示词和指令
├── scripts/              # 可执行的 Python/Bash 脚本
├── references/           # 加载到上下文的文档
└── assets/               # 模板和二进制文件

为什么要打包？ 保持 SKILL.md 简洁（5000 词以内）能避免撑爆 Claude 的上下文窗口。打包资源允许提供详细文档、自动化脚本和模板，只在需要时按需加载。

  • scripts/：Claude 通过 Bash 工具运行的可执行代码——自动化脚本、数据处理器、验证器等。适合复杂的多步骤操作、数据转换、API 交互，或者任何用代码比用自然语言更精确的任务。
  • references/：Claude 通过 Read 工具读入上下文的文档——markdown 文件、JSON Schema、配置模板等。适合详细文档、大型模式库、检查清单、API Schema，或者任何对 SKILL.md 来说太冗长但任务必需的文本内容。
  • assets/：Claude 只引用路径、不读取内容的模板和二进制文件——HTML 模板、CSS 文件、图片、配置样板、字体等。

references/ 和 assets/ 的核心区别：references/ 里的文本内容会被加载进 Claude 的上下文（消耗 token），assets/ 里的文件只是路径引用，不加载进上下文。

常见技能模式

模式一：脚本自动化

把复杂计算任务卸载给 scripts/ 目录里的 Python 或 Bash 脚本。

在这里插入图片描述

运行 scripts/analyzer.py 分析目标目录：
`python {baseDir}/scripts/analyzer.py --path "$USER_PATH" --output report.json`
解析生成的 report.json，呈现分析结果。
模式二：读取-处理-写入

最简单的模式——读取输入、按指令转换、写出结果。适合格式转换、数据清洗或报告生成。
在这里插入图片描述

模式三：搜索-分析-报告

用 Grep 搜索代码库中的模式，读取匹配文件获取上下文，分析发现，生成结构化报告。

在这里插入图片描述

模式四：命令链式执行

执行一系列前后依赖的命令序列，常见于类似 CI/CD 的工作流。

在这里插入图片描述

高级模式：向导式多步工作流、模板化生成、迭代精化、上下文聚合
  • 向导式多步工作流：把复杂流程拆成若干阶段，每个阶段结束后等待用户确认再继续，适合安装向导、配置工具等场景。
  • 模板化生成：从 assets/ 加载模板，填入用户提供或生成的数据，写出结果。适合报告生成、样板代码创建等。
  • 迭代精化：先做广泛扫描，再对发现的问题做深度分析，一轮一轮逐步深入。适合代码审查、安全审计等。
  • 上下文聚合：从多个来源（README、package.json、git 历史等）收集信息，综合成连贯全貌。

Agent Skills 内部架构

Skills 对象设计

传统工具（Read、Bash、Write）执行离散操作，返回即时结果。技能的工作方式完全不同：它不直接执行操作，而是把专用指令注入对话历史，同时动态修改 Claude 的执行环境。这通过两条用户消息实现——一条包含用户可见的元数据，一条包含发送给 Claude 的完整技能提示词（对 UI 隐藏）——并通过修改 Agent 上下文来变更权限、切换模型、调整思考 token 参数。

在这里插入图片描述

特性 普通工具 技能工具
本质 直接执行 提示词注入 + 上下文修改
消息角色 assistant→tool_use / user→tool_result 多条，含隐藏的 skill prompt
复杂度 简单（3-4 条消息） 复杂（5-10+ 条消息）
上下文 静态 动态（每轮修改）
Token 开销 极少（约 100 token） 显著（每轮 1500+ token）

Skill 元工具的结构：

{
  name: "Skill",
  inputSchema: { command: string },  // 如 "pdf"、"skill-creator"
  outputSchema: { success: boolean, commandName: string },
  prompt: async () => fN2(),         // 动态生成技能列表
  validateInput, checkPermissions, call
}

prompt 字段是 Skill 工具区别于其他工具的关键：它不是固定字符串，而是运行时动态构建的描述——聚合所有可用技能的名称和描述，形成 <available_skills> 列表。这正是渐进式披露的体现：初始上下文里只加载最少的元信息，Claude 选定技能后才加载完整提示词，避免上下文膨胀。

技能列表不在系统提示词里，而是在 tools 数组中作为 Skill 工具描述的一部分。完整 API 请求结构大致如下：

{
  "model": "claude-sonnet-4-5-20250929",
"system": "You are Claude Code...",
"messages": [...],
"tools": [
    {
      "name": "Skill",
      "description": "Execute a skill...\n\n<available_skills>\n...",
      "input_schema": {
        "type": "object",
        "properties": { "command": { "type": "string" } }
      }
    },
    { "name": "Bash", ... },
    { "name": "Read", ... }
  ]
}

<available_skills> 部分在每次 API 请求时动态重建，受 15000 字符的 token 预算限制，这也迫使技能作者写出简洁的描述。

对话上下文与执行上下文注入的设计

技能用 role: "user" 消息而不是 role: "system" 消息，是有原因的。系统消息具有全局持久性，会影响整个对话，而技能需要的是临时、局部的行为变更——skill-creator 应该只影响当前任务，不应该让 Claude 在整个会话里都变成 PDF 专家。用 role: "user" + isMeta: true 让技能提示词作为用户输入出现，保持临时性。

技能调用时，系统向对话历史注入两条独立的用户消息，通过 isMeta 标志控制是否在 UI 中显示：

第一条消息（isMeta: false，用户可见）：简短的状态指示，告知用户哪个技能正在加载。格式如：

<command-message>The "pdf" skill is loading</command-message>
<command-name>pdf</command-name>

第二条消息（isMeta: true，用户不可见）：完整的技能提示词，发送给 API 但不显示在 UI。通常 500 到 5000 词，包含任务上下文、工作流程、可用工具、输出格式、环境路径等。

为什么要两条消息而不是一条？因为这两条消息服务于完全不同的受众：

维度 元数据消息 技能提示词消息
受众 人类用户 Claude（AI）
目的 状态透明度 指令引导
长度 ~50-200 字符 ~500-5000 词
格式 结构化 XML 自然语言 Markdown
可见性 应该可见 应该隐藏

合并成一条消息的话，只能二选一：要么把几千词的 AI 内部指令全倒进用户聊天记录，让 UI 无法使用；要么全部隐藏，用户完全不知道系统在做什么。两条消息的拆分，优雅地解决了透明度和清晰度的矛盾。

除了核心的元数据和技能提示词，技能还可以条件性地注入附件消息（诊断信息、文件引用等）和权限消息（当技能指定了 allowed-tools 或模型覆盖时）。

案例：完整执行生命周期

以用户说"从 report.pdf 中提取文本"为例，走一遍完整流程：

在这里插入图片描述

阶段一：发现与加载（启动时）

Claude Code 启动时，并行扫描所有技能来源：用户命令、技能和插件、插件命令、内置命令，构建可用技能列表。每个技能文件被解析为包含名称、描述、允许工具、模型配置、提示词内容等字段的对象。

阶段二：Turn 1 —— 用户请求与技能选择

用户发送"从 report.pdf 中提取文本"。Claude 在 API 请求里看到 Skill 工具，读取 <available_skills> 列表，用语言理解推理出 pdf 技能最匹配，返回工具调用：

{
  "type": "tool_use",
  "name": "Skill",
  "input": { "command": "pdf" }
}

注意：这里没有任何算法匹配，纯粹是 LLM 在 transformer 前向传播中完成的推理。

阶段三：Skill 工具执行

依次经历三步：

验证：检查命令非空、技能存在、技能可加载、未禁用模型调用、类型为 prompt。

权限检查：匹配拒绝规则和允许规则，默认询问用户确认。

加载技能文件，生成执行上下文修改：加载 SKILL.md 内容，构建两条用户消息（元数据 + 技能提示词），准备 contextModifier 函数（预批准 allowed-tools 里的工具，按需覆盖模型）。

阶段四：Send to API（Turn 1 完成）

系统把完整消息数组发送给 Anthropic API，包括对话历史、工具调用、元数据消息、隐藏的技能提示词消息、权限消息。执行上下文修改器同时生效，预批准 Bash(pdftotext:*)、Read、Write。

在这里插入图片描述

这里要特别注意：如果是普通工具，到这里就结束了。但技能不一样——技能只是注入了对话上下文和执行上下文，还需要再次调用 Claude Agent，带着所有注入的上下文来完成用户的实际请求。

阶段五：Bash 工具执行（在技能上下文中的工具调用）

Claude 收到注入了技能提示词的 API 响应，技能上下文已经给了 Claude：

  • 专门的 PDF 处理指令（对话上下文）
  • 预批准的 Bash(pdftotext:*)、Read、Write 工具访问（执行上下文）
  • 清晰的工作流程指引（对话上下文）

Claude 按照 pdf 技能的工作流运行，调用 Bash 工具执行 pdftotext（无需用户二次确认），读取输出文件，将提取的文本呈现给用户。技能通过注入指令和修改工具权限，成功引导 Claude 完成了专业化的 PDF 提取工作流。

总结：核心心智模型

Claude Code 中的技能是基于提示词的对话与执行上下文修改器，通过元工具架构运作。几个核心结论：

  1. 技能是 SKILL.md 文件里的提示词模板，不是可执行代码
  2. Skill 工具（大写 S）是 tools 数组里的元工具，管理所有个别技能，不在系统提示词里
  3. 技能通过注入指令提示词（isMeta: true 消息）修改对话上下文
  4. 技能通过变更工具权限和模型选择修改执行上下文
  5. 技能选择通过 LLM 推理完成，不是算法匹配
  6. 工具权限通过执行上下文修改器，作用域限定在技能执行期间
  7. 每次技能调用注入两条用户消息——一条用户可见的元数据，一条隐藏的指令发送给 API

这套设计的优雅之处：把专业知识当作修改上下文的提示词而不是执行操作的代码来处理，让 Claude Code 获得了传统函数调用难以实现的灵活性、安全性和可组合性。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
图片
图片
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

请添加图片描述

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

1、大模型学习路线

img

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

在这里插入图片描述

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

在这里插入图片描述

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

img

5、面试试题/经验

img

【大厂 AI 岗位面经分享（107 道）】

img

【AI 大模型面试真题（102 道）】

img

【LLMs 面试真题（97 道）】

img

6、大模型项目实战&配套源码

img

适用人群

在这里插入图片描述

四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型

  • 带你了解全球大模型

  • 使用国产大模型服务

  • 搭建 OpenAI 代理

  • 热身：基于阿里云 PAI 部署 Stable Diffusion

  • 在本地计算机运行大模型

  • 大模型的私有化部署

  • 基于 vLLM 部署大模型

  • 案例：如何优雅地在阿里云私有部署开源大模型

  • 部署一套开源 LLM 项目

  • 内容安全

  • 互联网信息服务算法备案

  • …

    👇👇扫码免费领取全部内容👇👇

    在这里插入图片描述

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

# 人工智能 # 前端 # 学习
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

有哪些专业且非常好用的毕业论文写作辅助生成工具（提纲、初稿、降重、图表公式生成）？

avatar AtomGit开源社区
cover

大一学Java必看！static从报错到精通指南

avatar AtomGit开源社区

《RAG技术的实现原理与落地实战》

摘要： RAG（检索增强生成）技术通过检索私有数据增强大模型生成能力，解决知识滞后、幻觉等问题。其核心流程分为离线构建（文档加载、分块、向量化存储）和在线推理（提问检索、生成回答）。本文从原理到实战，详解RAG技术栈（LangChain+Chroma+轻量Embedding模型），手把手实现多格式文档处理、智能分块、向量检索及Prompt优化问答链，并提供完整代码与高频问题解决方案。进阶方向包括混

avatar AtomGit开源社区